Assignment1 Omar

🚀 Wav2Vec2-Base-960h

Wav2Vec2-Base-960h是一个基于语音音频的预训练模型，在960小时的Librispeech数据集上进行了预训练和微调。它可用于自动语音识别任务，能将语音音频准确转录为文本。

基本信息

示例音频

• Librispeech sample 1
• Librispeech sample 2

模型评估结果

相关链接

• Facebook的Wav2Vec2介绍
• 论文

作者

Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli

论文摘要

我们首次证明，仅从语音音频中学习强大的表征，然后在转录语音上进行微调，能够在概念上更简单的同时，超越最佳的半监督方法。wav2vec 2.0在潜在空间中对语音输入进行掩码，并解决了一个基于潜在表征量化的对比任务，这些潜在表征是联合学习的。使用Librispeech的所有标注数据进行的实验在干净/其他测试集上实现了1.8/3.3的字错误率（WER）。当将标注数据量减少到一小时时，wav2vec 2.0在100小时子集上超越了先前的最优方法，同时使用的标注数据减少了100倍。仅使用十分钟的标注数据并在53000小时的未标注数据上进行预训练，仍能实现4.8/8.2的字错误率。这证明了在有限标注数据下进行语音识别的可行性。

原模型地址

https://github.com/pytorch/fairseq/tree/master/examples/wav2vec#wav2vec-20

🚀 快速开始

在使用该模型时，请确保您的语音输入也是以16kHz采样的。

💻 使用示例

基础用法

from transformers import Wav2Vec2Processor, Wav2Vec2ForCTC
from datasets import load_dataset
import soundfile as sf
import torch

# 加载模型和分词器
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-960h")
model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-960h")

# 加载示例数据集并读取音频文件
ds = load_dataset("patrickvonplaten/librispeech_asr_dummy", "clean", split="validation")

# 进行分词
input_values = processor(ds[0]["audio"]["array"], return_tensors="pt", padding="longest").input_values  # 批量大小为1

# 获取对数概率
logits = model(input_values).logits

# 取最大值并解码
predicted_ids = torch.argmax(logits, dim=-1)
transcription = processor.batch_decode(predicted_ids)

评估用法

此代码片段展示了如何在LibriSpeech的“clean”和“other”测试数据上评估 facebook/wav2vec2-base-960h 模型。

from datasets import load_dataset
from transformers import Wav2Vec2ForCTC, Wav2Vec2Processor
import torch
from jiwer import wer

librispeech_eval = load_dataset("librispeech_asr", "clean", split="test")

model = Wav2Vec2ForCTC.from_pretrained("facebook/wav2vec2-base-960h").to("cuda")
processor = Wav2Vec2Processor.from_pretrained("facebook/wav2vec2-base-960h")

def map_to_pred(batch):
    input_values = processor(batch["audio"]["array"], return_tensors="pt", padding="longest").input_values
    with torch.no_grad():
        logits = model(input_values.to("cuda")).logits

    predicted_ids = torch.argmax(logits, dim=-1)
    transcription = processor.batch_decode(predicted_ids)
    batch["transcription"] = transcription
    return batch

result = librispeech_eval.map(map_to_pred, batched=True, batch_size=1, remove_columns=["audio"])

print("WER:", wer(result["text"], result["transcription"]))

评估结果（字错误率WER）: